论文部分内容阅读
不同于拍摄距离较近的一般图像,遥感图像具有篇幅大、视角宏观等众多优良特性,基于高分辨率的遥感图像目标检测已经成为当前遥感领域的研究热点之一,并在生活、工业等众多环境下得到广泛应用。由于高分辨率遥感图像拍摄高度较高、覆盖范围较广,且包含大量的小目标和密集场景,因此对遥感图像中的目标进行准确地抓取需要设计更加具有针对性的算法。基于深度学习的目标检测算法将目标特征提取、分类及位置回归等过程统一到神经网络结构中,使得特征维度远高于手工特征提取方法得到的。其中,基于卷积神经网络的方法在目标检测上表现较高的性能,得到广泛应用。本文提出一种基于卷积神经网络的模型,用于高分辨率遥感图像的目标检测任务。该模型在标准Faster R-CNN检测框架基础上,采用特征增强及目标显著化等方法,解决遥感图像小目标检测精度较低的问题;并采用削弱的非极大值抑制的方法,解决遥感图像中密集场景下的漏检问题。该模型主要分为三个部分,首先,特征增强结构采用锐化卷积核结合卷积正则化,实现对底层细节特征的强化,从而提高小目标的检测精度;其次,目标显著化结构摒弃标准Faster R-CNN算法中的RoI池化过程,采用目标上采样及重卷积的方法解决RoI池化引起的特征丢失及马赛克问题,对小目标检测精度的提升尤为显著;此外,削弱的非极大值抑制结构对标准非极大值抑制过程进行了优化,在避免有效框漏检和消除重复检测框之间得到平衡,使得密集场景下的检测精度得到有效提升。本文基于开源的大规模高分辨率遥感数据集DOTA进行实验,结果表明,本文提出的模型对遥感图像中小目标的检测精度具有较高的提升,同时对复杂场景下的检测也有较好的效果。具体地,该模型相比于标准的Faster R-CNN,R-FCN,YOLOv2以及SSD算法,在平均准确率上分别有6.1%,19.32%,27.36%以及55.62%的提升。